小模型担当主编排器：通过并行子任务分解学习统一的智能体-工具编排

多智能体系统（MAS）通过协调多样化智能体与外部工具来解决复杂问题，展现出明显优势。然而，现有编排方法大多依赖静态工作流或串行智能体调度，且进一步受制于工具与智能体之间异构的接口协议。这导致系统复杂度高、可扩展性差。为缓解这些问题，我们提出Agent-as-Tool，一种统一的并行编排范式，通过协议归一化与显式状态反馈，将智能体和工具统一抽象为标准化、可学习的动作空间。在该范式基础上，我们训练一个轻量级编排器ParaManager，它将规划决策与子任务求解解耦，实现状态感知的并行子任务分解、委派与异步执行。在训练方面，我们采用两阶段ParaManager训练流程：通过纳入配备恢复机制的有监督微调（SFT）轨迹来提升鲁棒性，并进一步应用强化学习（RL），在任务成功、协议遵从、多样性与推理效率之间取得最优平衡。实验表明，ParaManager在多个基准上取得强劲表现，并在未见过的模型池下展现出鲁棒的泛化能力。